当前，新型技术革命浪潮正全球范围内兴起，以人工智能、大数据及工业4.0等工业技术为代表，传统化工厂管控模式已无法满足数字化制造需求，钢铁工业中生产流程复杂且协同作业难度较大等典型问题逐渐凸显，企业也存在信息化水平不均衡及信息孤岛现象严重等现象。对此，基于数字孪生技术、物联网、机器学习及视频智能识别等新兴技术，对厂房及生产产线精准建模，接入视频画面、传感器监测数据、系统控制数据、外部图纸信息及管理系统等，实时展现产线设备状态与物料等信息，对产线内数据信息实现可视化联动，消除信息孤岛。同时采用人工智能算法将庞杂分散的视频画面融合拼接，将产线监控画面进行拼接，对于重点特定的大范围区域，以“一张图”形式实现实时监控。

铸-轧界面的衔接与调度是影响钢铁企业生产效率和经济效益的重要因素。针对某钢铁企业连铸-热轧生产现场，本文构建了一个基于多智能体技术的铸-轧界面仿真系统模型，通过设计各类智能体的作用、任务以及智能体之间的协同交互机制，对现场完整的生产及运输流程进行仿真。本文通过多智能体模型对多种不同的生产节奏进行仿真分析，并针对板坯生产线上不同连铸生产节奏与热轧生产节奏衔接的精准匹配进行了深入研究，仿真结果表明，该仿真模型能够准确反映实际生产过程，验证了仿真模型的有效性。根据仿真计算，随着连铸机不同流之间出坯间隔时间的增加，热装钢坯在横移小车运输过程中的输送时间与钢坯总输送时间呈现出先降后升的趋势，并在连铸机之间出坯间隔时间为2分钟时达到最低；在全热装生产时，随着连铸机拉速的增加，钢坯平均的总输送时间增加，轧程总生产时间缩短，平均加热时间先增加，在拉速超过1.9米/分钟后逐渐降低。经过优化，单个轧程钢坯平均加热时间降低到优化前的95.7%，平均总输送时间降低到优化前的68.2%。

高炉布料是高炉炼铁生产的重要环节之一，由于炉顶装料设备的密闭性，炉料在炉喉分布的实际情况，例如料层分布状况、矿焦比分布等无法直观地准确观察得到。生产中高炉操作人员通常是以炉喉处煤气中CO₂分布、煤气温度分布或煤气流速分布作为上部调节的依据。随着检测技术的进步，操作者利用红外摄像、热成像、激光技术和雷达技术可更准确地进行上部调节，但以上技术只能获取炉料表面的信息，而对于料层和矿焦比的分布信息则无法详细的了解。本文以高炉布料数学模型为理论基础，综合运用数值仿真、超级计算、人工智能等领域的前沿技术，通过大数据云平台以及智能神经网络等技术手段，构建高炉全炉料层分布智能监测系统。该系统可实现布料过程的在线跟踪及模拟仿真，协助高炉操作者了解炉料分布状况。系统应用后，高炉各项经济技术指标得到明显改善，与以往相比，月产量平均提高4.7%，燃料比降低2.37kg/tFe，钒回收率均在80%以上。

转炉炼钢终点碳含量和钢水温度预测对于钢水成分和温度的精准控制和产品质量的提升具有重要意义。由于转炉炼钢过程数据维度高、噪声大、非线性强，难以获得高质量数据，直接建模不仅命中率低且容易过拟合。针对该问题，本文提出了一种基于自适应SMOTE数据增强技术的随机森林预测模型，首先通过递归消除法分别对终点碳含量和钢水温度进行特征选择；其次使用自适应SMOTE算法对原始数据进行增强；最后采用随机森林分别预测终点碳含量和钢水温度。通过实际工业数据验证表明，终点碳含量在目标误差值±0.02%范围内的预测命中率为88.9%，终点钢水温度在目标误差值±20℃范围内预测命中率为92.3%，命中率显著提升，为转炉炼钢的终点预测与控制提供参考。

在烧结工业过程，烧结终点的准确预测对于控制烧结机的操作至关重要，因为它决定了烧结料的质量和能源的使用效率。但目前常见的烧结终点预测模型主要集中在单步预测上，且它们往往忽略了烧结过程数据的时空特性。针对烧结终点的多步预测任务需求以及过程数据的复杂时空特性，提出了一种基于编解码架构的烧结终点多步预测模型，其中的时空编码-任务解码架构通过堆叠时序卷积网络和空间注意力机制，有效提取烧结过程数据中的时空特征，同时采用任务特定的引导解码器，以独立单元的形式对应每一步预测。通过实际烧结工业过程案例，验证了所提方法的有效性。该研究可辅助操作人员提前获得关于烧结过程未来状态的信息，从而更加精确地调整操作参数，以减少因滞后性导致的质量波动和能源浪费，提高烧结矿的质量稳定性。